mlr3简介
mlr3包和其扩展包为R语言提供了一个统一的、面向对象的、可扩展的机器学习框架，可用于回归、分类、生存分析和其他机器学习任务。mlr3并没有引入新的机器学习算法，而是为R中的机器学习R包通过了统一的接口，通过这个统一的接口，用户可以创建任务、选择合适的参数、进行大规模的模型比较等。原生支持多个步骤的并行化操作。
目标群体
我们希望mlr3使用者具有基本的R语言和机器学习知识，本教程的后面一些内容将会介绍更高级的知识。mlr3既适合复杂的大型任务，也可以用于简单的任务。
mlr3既适合相关从业人员快速进行机器学习算法，也适合于研究人员在统一的环境中实施、测试、比较新的算法。mlr3包是mlr包的重写，吸收了最先进的经验，易于使用和扩展。
为什么重写？
mlr于2013年上架CRAN，目前已逐渐落伍，许多特性已不适合目前复杂的任务需求。另外许多非常棒的R包已逐渐发展成熟，比如data.table，因此我们希望开发一个新的R包，它可以提供统一的接口，可适应多种不同的复杂任务场景，基于最先进的机器学习经验，速度足够快！因此mlr3诞生了，它有很多新的特性，比如R6/future/data.table。
设计理念
-
后端高于前段
mlr3包及其生态系统专注于处理和转换数据、应用机器学习模型、计算结果，不提供图形化界面，数据和结果的可视化通过其他R包实现。 -
使用R6
获得简洁的、面向对象的设计。
-
使用
data.table获得更快、更方便的数据操作。
-
统一容器和结果类，以
data.table格式返回结果这一特性简化了API，允许用户轻松选择和使用split-apply-combine操作，将R6和
data.table结合。 -
防御式编程和类型安全
所有用户输入都通过
checkmate检查，返回的结果都是有记录的，并且避免使用base R中的某些机制，因为这些机制会简化结果或者丢失信息。 -
减少依赖包
mlr的一大缺点就是需要维护大量依赖包，而mlr3的依赖包大大减少，方便维护。
mlr3生态
-
R6:参考类对象。（不是太懂，可类比R中的S3，S4对象，但是刚用起来感觉语法很奇怪） -
data.table：更快的速度！（明显感觉比tidymodels快很多） -
digest：hash digests -
uuid：唯一的字符标识 -
lgr：日志控制 -
mlbench：常用机器学习数据集
以上所有R包都是很成熟的，都是经过精心挑选的，不存在依赖性问题。对于更好的功能实现我们建议暗转以下R包：
- 并行化：
future/future.apply - 进度条：
progressr - 获取输出、警告和异常情况：
evaluate/callr
mlr3包只提供基础的机器学习框架，对于更多的操作和更复杂的任务，可参考以下mlr3生态：
image.png
网友评论